高炉煤气余热回收装置的透平机静叶厚度监测方法及系统制造方法及图纸

本发明专利技术涉及一种高炉煤气余热回收装置的透平机静叶厚度监测方法及系统，其中方法包括采集透平机数据，透平机数据包括透平机入口和出口的煤气参数以及透平机运行参数和透平机静叶厚度；利用自编码器算法对采集到的透平机数据进行分析，提取透平机静叶积灰的模式特征；根据透平机静叶积灰的模式特征和透平机静叶厚度，获取透平机静叶厚度的深度学习网络模型，深度学习网络模型以透平机数据为输入，以透平机静叶厚度为输出；以深度学习网络模型为基础，以实时采集的透平机数据为输入，对透平机静叶厚度进行实时监测。采用该种方法及系统，能够对透平机静叶的厚度进行实时监测，解决透平机频繁故障的问题，减小透平机维护费用，提高发电量。

Blast furnace gas turbine waste heat recovery device and system static leaf thickness monitoring method

The invention relates to a blast furnace gas turbine waste heat recovery device and system static leaf thickness monitoring method, which includes data acquisition method of turbine turbine turbine, data including the entrance and exit of the gas turbine and turbine parameters and operation parameters of static blade thickness; by analysis of self coding algorithm on the collected data of turbine characteristics of ash accumulation model. The extraction of turbine blade; turbine blade according to the characteristics and mode of product ash turbine static blade thickness, deep learning network model for turbine blade thickness, deep learning network model with the data as input to turbine, turbine static blade thickness output; with deep learning network model based on real-time data acquisition. As input, real-time monitoring of turbine blade thickness. The method and system of turbine vane thickness can be real-time monitoring, to solve the frequent faults of turbine turbine, reduce maintenance costs, improve power generation.

【技术实现步骤摘要】

本专利技术涉及煤气能量回收
，尤其涉及透平机
，具体是指一种高炉煤气余热回收装置的透平机静叶厚度监测方法及系统。
技术介绍
钢铁工业是我国国民经济的重要基础产业和实现新型工业化的支柱产业，同时又是世界耗能最大的工业之一。炼铁是钢铁生产过程中能耗和资源消耗最大的工序，其能耗占钢铁联合企业总能耗的60％左右，远远高于其他的钢铁制造工序。而在炼铁过程中，其中39％的能耗都用在高炉上。高炉煤气能量回收装置主要是指高炉炉顶煤气余压回收透平发电装置(BlastFurnaceTopGasRecoveryTurbine，简称TRT装置)，该装置是目前世界最有价值的二次能源回收装置之一。它是利用除尘后的高炉炉顶煤气中的压力能及热能，经透平膨胀机做功来驱动发电机发电。高炉煤气能量回收装置可回收高炉鼓风机耗能的30％左右，因此被广泛的用于高炉冶炼工序的节能减排。TRT装置吨铁发电量可达到40kWh，如4000m3高炉配置TRT装置后，每年发电可达1.6亿kWh。据统计，目前我国高炉总数有900余座，因此TRT装置对于钢铁工业的节能减排有重大的意义。2008年修订的《高炉炼铁工艺设计规范》(GB50427-2008)中已明确指出：高炉必须设置高炉炉顶煤气余压发电装置，余压透平发电装置应与高炉同步投产。据统计，我国目前运行的TRT装置有655套，平均吨铁发电量低于30千瓦时/吨铁，而日本的TRT装置平均吨铁发电量可达40千瓦时/吨铁。尽管我国高炉煤气工质达到设计值，但是TRT装置发电量普遍偏低，TRT装置都普遍存在透平膨胀机检修频繁的问题。透平膨胀机是TRT装置的关键部机。目前TRT装置透平膨胀机一般采用一级静叶可调，这样变工况范围宽，改善变工况性能，并能全关闭，第二级静叶揭盖可调。高炉煤气在透平膨胀机里进行膨胀对外做功，因此透平膨胀机是否正常运行对于能量回收具有重要的意义。透平膨胀机典型故障主要有转子不平衡、转子不对中、轴承损坏、联轴节损坏、润滑系统故障、轴承座松动、叶片积垢等，其中最常见的是由于转子叶轮严重磨损或者叶片积垢造成的转子不平衡。虽然高炉煤气进入TRT装置前有布袋除尘装置，但是高炉煤气不可能完全净化，因此透平膨胀机在长期运行过程中，叶片容易出现积垢和磨损的现象。虽然采用叶片涂层、干式阻垢剂喷雾等技术可以一定程度的减小积垢和磨损，但是透平膨胀机叶片积垢磨损现象仍然存在。大多数转子不平衡的故障诊断是从机组的振动信号出发，分析其振动频谱特征来判断是否出现故障。由于振动信号频谱分析大部分都是离线进行的，对于叶片积垢和磨损缺乏实时在线的监测策略，无法满足TRT装置稳定运行的要求，而且振动分析系统价格昂贵，一般中小TRT装置都没有配置。因此，通过其他容易测量的参数对透平机静叶厚度进行软测量，为我们分析解决透平机静叶厚度监测这一问题提供了一种分析思路。
技术实现思路
本专利技术的目的是克服了上述现有技术的缺点，提供了一种高炉煤气余热回收装置的透平机静叶厚度监测方法及系统，能够对透平机静叶的厚度进行实时监测，解决透平机频繁故障的问题，减小透平机维护费用。为了实现上述目的，本专利技术具有如下构成：该高炉煤气余热回收装置的透平机静叶厚度监测方法，所述的方法包括以下步骤：(1)采集透平机数据，所述透平机数据包括所述透平机入口和出口的煤气参数以及透平机运行参数和透平机静叶厚度；(2)利用自编码器算法对采集到的透平机数据进行分析，提取透平机静叶积灰的模式特征；(3)根据所述透平机静叶积灰的模式特征和透平机静叶厚度，获取透平机静叶厚度的深度学习网络模型，所述深度学习网络模型以所述透平机数据为输入，以所述透平机静叶厚度为输出；(4)以所述深度学习网络模型为基础，以实时采集的所述透平机数据为输入，对透平机静叶厚度进行实时监测。较佳地，所述透平机入口和出口的煤气参数包括入口处煤气流量、入口处煤气压力、入口处煤气温度、入口处煤气粉尘含量、出口处煤气流量、出口处煤气压力和出口处煤气温度，所述透平机参数包括透平机转速和透平机功率。较佳地，所述自编码算法包括如下步骤：(2-1)采用编码器对采集到的透平机数据进行编码得到隐含层向量；(2-2)采用解码器对所述隐含层向量进行解码；(2-3)根据所述解码器的解码结果计算最小化重构误差。更佳地，采用编码器根据如下公式对采集到的透平机数据进行编码：h＝f(x)＝Sf(Wx+bj)；其中，x为采集到的透平机数据所构成的特征向量，Wx为所述特征向量的权值，bj为第j个神经元的阈值，h为隐含层向量，Sf为所述编码器的激活函数。更进一步地，采用解码器根据如下公式对所述隐含层向量进行解码：y＝g(h)＝Sg(Wh+bh)；其中，h为隐含层向量，Wh为所述隐含层向量的权值，bh为阈值，Sg为所述解码器的激活函数。再进一步地，根据如下公式计算最小化重构误差J：其中，x为采集到的透平机数据所构成的特征向量，D为训练样本集，g(f(x))为所述解码器的解码输出值，L为重构误差函数。更佳地，所述获取透平机静叶厚度的深度学习网络模型，包括如下步骤：(3-1)输入所述透平机数据，无监督训练出第一个自编码器；(3-2)以当前训练得到的自编码器的输出作为下一个自编码器的输入，训练出下一个自编码器；(3-3)判断是否已经完成了预设数量的隐含层的训练，如果是，则继续步骤(3-4)，否则继续步骤(3-2)；(3-4)以透平机静叶厚度为输出，在最后一个隐含层上增加反向传播神经网络预测模型，对深度学习网络模型进行权重调整。较佳地，所述对透平机静叶厚度进行实时监测，具体为：利用多台个人计算机，通过Hadoop开源软件，以所述深度学习网络模型为基础，构建以实时采集的所述透平机数据为输入，以透平机静叶厚度为输出的在线监测网络。较佳地，所述方法还包括：用户端采用SQL接口JDBC或ODBC进行透平机静叶厚度的查询。较佳地，所述方法还包括：当监测到透平机静叶厚度超过系统预设阈值时，进行报警。本专利技术还涉及一种高炉煤气余热回收装置的透平机静叶厚度监测系统，用于所述的高炉煤气余热回收装置的透平机静叶厚度监测方法，所述系统包括：数据采集模块，用以采集透平机数据，所述透平机数据包括所述透平机入口和出口的煤气参数以及透平机运行参数和透平机静叶厚度；自编码器，用以利用自编码器算法对采集到的透平机数据进行分析，提取透平机静叶积灰的模式特征；深度学习网络模型构建模块，用以根据所述透平机静叶积灰的模式特征和透平机静叶厚度，获取透平机静叶厚度的深度学习网络模型，所述深度学习网络模型以所述透平机数据为输入，以所述透平机静叶厚度为输出；在线监测网络构建模块，用以以所述深度学习网络模型为基础，以实时采集的所述透平机数据为输入，对透平机静叶厚度进行实时监测。采用了该专利技术中的高炉煤气余热回收装置的透平机静叶厚度监测方法及系统，通过多台个人计算机，利用Hadoop等开源软件构建深度学习系统，基于深度学习算法对透平机静叶的厚度进行实时监测，采取大数据驱动的方式，利用当前已有的海量数据进行分析，解决透平机频繁故障而停机检修的问题，减小透平机维护费用，从而有效提高透平机的维护效率，减少由于透平机维护带来的浪费；提高发电量，为高炉煤气回收装置维护的优化提供工具，减少人力物力投入，适用于大本文档来自技高网...

【技术保护点】
一种高炉煤气余热回收装置的透平机静叶厚度监测方法，其特征在于，所述的方法包括以下步骤：(1)采集透平机数据，所述透平机数据包括所述透平机入口和出口的煤气参数以及透平机运行参数和透平机静叶厚度；(2)利用自编码器算法对采集到的透平机数据进行分析，提取透平机静叶积灰的模式特征；(3)根据所述透平机静叶积灰的模式特征和透平机静叶厚度，获取透平机静叶厚度的深度学习网络模型，所述深度学习网络模型以所述透平机数据为输入，以所述透平机静叶厚度为输出；(4)以所述深度学习网络模型为基础，以实时采集的所述透平机数据为输入，对透平机静叶厚度进行实时监测。

【技术特征摘要】
1.一种高炉煤气余热回收装置的透平机静叶厚度监测方法，其特征在于，所述的方法包括以下步骤：(1)采集透平机数据，所述透平机数据包括所述透平机入口和出口的煤气参数以及透平机运行参数和透平机静叶厚度；(2)利用自编码器算法对采集到的透平机数据进行分析，提取透平机静叶积灰的模式特征；(3)根据所述透平机静叶积灰的模式特征和透平机静叶厚度，获取透平机静叶厚度的深度学习网络模型，所述深度学习网络模型以所述透平机数据为输入，以所述透平机静叶厚度为输出；(4)以所述深度学习网络模型为基础，以实时采集的所述透平机数据为输入，对透平机静叶厚度进行实时监测。2.根据权利要求1所述的高炉煤气余热回收装置的透平机静叶厚度监测方法，其特征在于，所述透平机入口和出口的煤气参数包括入口处煤气流量、入口处煤气压力、入口处煤气温度、入口处煤气粉尘含量、出口处煤气流量、出口处煤气压力和出口处煤气温度，所述透平机参数包括透平机转速和透平机功率。3.根据权利要求1所述的高炉煤气余热回收装置的透平机静叶厚度监测方法，其特征在于，所述自编码算法包括如下步骤：(2-1)采用编码器对采集到的透平机数据进行编码得到隐含层向量；(2-2)采用解码器对所述隐含层向量进行解码；(2-3)根据所述解码器的解码结果计算最小化重构误差。4.根据权利要求3所述的高炉煤气余热回收装置的透平机静叶厚度监测方法，其特征在于，采用编码器根据如下公式对采集到的透平机数据进行编码：h＝f(x)＝Sf(Wx+bj)；其中，x为采集到的透平机数据所构成的特征向量，Wx为所述特征向量的权值，bj为第j个神经元的阈值，h为隐含层向量，Sf为所述编码器的激活函数。5.根据权利要求4所述的高炉煤气余热回收装置的透平机静叶厚度监测方法，其特征在于，采用解码器根据如下公式对所述隐含层向量进行解码：y＝g(h)＝Sg(Wh+bh)；其中，h为隐含层向量，Wh为所述隐含层向量的权值，Sg为所述解码器的激活函数。6.根据权利要求5所述的高炉煤气余热回收装置的透平机静叶厚度监测方法，其特征在于，根据如下公式计算最小化重构误差J：J=Σx∈DL(x,g(f(x));]]>其中，x为采集到的透平机数据所构成的特...

【专利技术属性】
技术研发人员：吴平，潘海鹏，陈亮，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：浙江;33